Resultado general

Entregar herramientas para que las personas puedan abordar el análisis de datos tanto de dependencia como de interdependencia v desde la estadística multivariante, elaborando y probando hipótesis y desarrollando modelos explicativos de determinados fenómenos de estudio. Las personas estudiantes aprenderán los métodos de análisis de datos más habituales, y realizarán prácticas en programas estadísticos, principalmente R. 

El enfoque del curso será aplicado e irá dirigido a la utilización crítica de las técnicas estadísticas para explicar distintos problemas relacionados con las Ciencias Sociales. Se espera que las personas comprendan que la complejidad de los fenómenos estudiados por las ciencias sociales obliga a que su análisis considere múltiples medidas para poderlos explicar en forma adecuada.

Resultados específicos

Al final del curso las personas estudiantes deberán poder:

• Explicar distintos problemas sociales considerando sus múltiples factores, mediante el uso de análisis multivariado de datos.
• Utilizar el análisis de datos desde la estadística inferencial, elaborando y testeando hipótesis y desarrollando modelos explicativos de determinados fenómenos de estudio. • Utilizar el análisis estadístico desde la interrelación entre múltiples variables y sus categorías.
• Identificar las situaciones en que se utilizan cada una las técnicas estadísticas multivariadas, justificar el uso de éstas y ser capaz de analizar e interpretar los resultados obtenidos.
• Demostrar una lectura crítica del análisis multivariado de datos en ciencias sociales.

1. Uso de modelos estadísticos en Ciencias Sociales

2. Modelo de Regresión Lineal Múltiple

• Regresión lineal simple
• Ecuación de regresión múltiple
• Pruebas de hipótesis para los coeficientes
• Coeficiente de Determinación Ajustado
• Cálculo de la mejor ecuación de regresión múltiple
• Coeficientes “beta” estandarizados
• Variables ficticias o dummy
• Interpretación de los coeficientes
• Supuestos del modelo - Análisis de residuos
• Prácticas en programa estadístico R
• Interpretaciones

3. Modelos de Regresión Logística Binaria

• Introducción
• Modelo de regresión logística bivariado
• Modelo de regresión logística multivariado
• Evaluación del modelo
• Test de Wald - Interpretación de los coeficientes
• Requisitos y limitaciones
• Prácticas en programa estadístico R
• Interpretaciones

4. Análisis de Conglomerados

• Introducción
• ¿Qué es un conglomerado?
• Método jerárquico y Dendograma
• Método de K-medias
• Prácticas en programa en R Studio
• Interpretaciones

5. Análisis de Componentes Principales

• Introducción
• Análisis factorial y ACP
• La matriz de correlación
• Elección de los componentes principales
• Representación gráfica de los resultados
• Prácticas en programa estadístico R
• Interpretaciones

Inasistencias a pruebas solemnes y reportes de investigación

Si una/un estudiante falta a una prueba solemne, puede presentar ante la Secretaría de Estudios un certificado médico dentro de los cinco días hábiles posteriores a dicha evaluación, para tener derecho a rendir una prueba recuperativa. Las/los estudiantes tendrán derecho a un máximo de una prueba recuperativa por curso. La prueba podrá ser rendida a fin de semestre, y considerará todos los contenidos vistos durante el curso. Las evaluaciones no rendidas tendrán nota 1.0. 

En caso de tener certificado médico para la fecha de entrega de alguno de los reportes de investigación, se deberá conversar con la profesora una nueva fecha de entrega. De tener certificado médico, es responsabilidad del estudiante contactar a la profesora para definir la manera de proceder. Inasistencias o no entregas de trabajos sin certificado médico tendrán nota 1. 

Examen

La nota que resulte del conjunto de evaluaciones parciales será la nota de presentación a examen. Si esta es 3,5 o superior, se podrá rendir el examen. En caso contrario, se considerará que la persona estudiante ha reprobado la asignatura, manteniéndose la nota de presentación como nota final. 

La nota de eximición es de 5,5, siempre y cuando no se tengan notas bajo 4,0 en las pruebas solemnes. En ese caso, se considerará que la persona estudiante ha aprobado la asignatura, manteniéndose la nota de presentación como nota final. 

La nota de presentación equivale al 70% del total, mientras que la nota en el EXAMEN al 30%. El examen consistirá en una evaluación escrita y práctica cuyos contenidos serán definidos en la última sesión de cátedra. 

Recorrección

Según reglamento, las/los estudiantes tienen derecho a conocer las notas y la pauta de corrección de todas las evaluaciones en un plazo que no podrá exceder de 10 días hábiles contados desde la fecha desde que éstas fueran rendidas, como también a conocer el resultado de sus evaluaciones solemnes o principales, antes de rendir las siguientes de igual categoría en una misma asignatura.  

Las/los estudiantes pueden imputar la corrección de cualquier evaluación escrita, en un plazo no superior a 5 días hábiles desde la entrega de la nota. Ello, a través de una carta dirigida profesor, que debe ir acompañada por la prueba, trabajo o informe evaluado, y, además, por las correcciones y comentarios que eventualmente haya entregado el docente. El académico deberá comunicar al estudiante el resultado de la recorrección, fundamentando por escrito sus argumentos, en un plazo no superior a los 5 días hábiles. 

VII.1 Bibliografía Obligatoria

• Cea D’Ancona, M. (2002). Análisis multivariable: teoría y práctica de la investigación Social. Madrid: Editorial Síntesis Sociológica.
• Camarero (2017). Regresión Logística: Fundamentos y aplicación a la investigación sociológica
• Darlington, R. B., & Hayes, A. F. (2017). Regression analysis and linear models: concepts, applications, and implementation. Guilford Press
• Wickham, H. (2017). R para Ciencia de Datos https://es.r4ds.hadley.nz/index.html
• Hair, J., Anderson, R., Tatham, R., & Black, W. (1999). Análisis multivariante. Madrid: Editorial Prentice Hall.
• Husson, F., Pagès, J., & Lê, S. (2012). Análisis de datos con R. Escuela Colombiana de Ingenieria Julio Garavito.
• Lizón, Á. (2006). Estadística y causalidad en la sociología empírica del XX. Papers, 80, 223-255. Universitat Autònoma de Barcelona, Departament de Sociologia.
• Moore (2010) Estadística aplicada básica. Barcelona: Antoni Bosch
• Wooldridge, J. M. (2008). Introducción a la econometría: un enfoque moderno. Paraninfo Cengage Learning.

VII.2 Bibliografía complementaria

• Alboukadel, K. (2017). Practical Guide to Principal Component Methods in R. STHDA. com, 152.
• Darlington, R. B., & Hayes, A. F. (2017). Regression analysis and linear models: concepts, applications, and implementation. Guilford Press.
• Everitt, B., & Hothorn, T. (2011). An introduction to applied multivariate analysis with R. Springer Science & Business Media.
• Kassambara, A. (2017). Practical guide to cluster analysis in R: Unsupervised machine learning (Vol. 1). STHDA.